Eleven v4 与 Eleven v3：有哪些变化，对你的配音意味着什么

一段话看懂 Eleven v4 与 Eleven v3 的区别#

比较 Eleven v4 与 Eleven v3，录制配音和实时语音智能体需要考虑的因素并不相同。ElevenLabs 于 2026 年 9 月 28 日宣布推出 v4 和 v4 Turbo (在新标签页中打开)，并于 10 月 19 日更新公告：新架构、更广的语言覆盖和调整后的声音控制均为服务商公布的变化。截至 2026 年 10 月 21 日，这两款 v4 模型都尚未在 OmniArt 上线。你仍可使用 Eleven v3、Eleven Multilingual v2 或 Eleven Turbo v2.5 制作配音。如果视频会在发布前经过剪辑，就应评估录制出来的表现；如果智能体必须立即回答，则需单独研究流式传输延迟。

ElevenLabs 声称有哪些变化#

下表将 OmniArt 中可选的控制项与 ElevenLabs 对模型的整体声明分开列出。OmniArt 数据来自于 2026 年 10 月 21 日核对的语音模型目录和语言列表。v4 一栏汇总了注明日期的发布公告 (在新标签页中打开)；这些能力来自服务商声明，并非 OmniArt 上的实际测试对比。

语言选择器的数量属于集成细节，不能完整衡量模型质量。先确认你需要的语言，再试听该语言中的人名、日期和段落衔接。同样，服务商具备克隆功能，不代表创作平台已经开放这项能力。本文不提供 OmniArt 上的声音克隆流程，也不预测 v4 的上线时间。

如何理解两个延迟数字#

ElevenLabs 在2026 年 9 月 28 日发布、10 月 19 日更新的公告 (在新标签页中打开)架构部分中称，Eleven v4 Turbo 的推理延迟中位数约为 100 毫秒。这项声明没有附带测量方法，不能将其改称为从发出请求到听见语音的时间。

同一来源还单独公布，Eleven v4 Turbo 的首段语音时间中位数约为 150 毫秒。脚注 3 将其定义为从发出请求到听见语音的时间，测量于 2026 年 9 月进行，使用相同脚本和默认设置，v4 Turbo 采用 WebSocket 流式传输。所有系统的网络延迟都经过测量并被扣除。对比对象包括 Cartesia Sonic 3.6、xAI TTS、Google Gemini 3.8 Flash-Lite TTS 和 OpenAI GPT-4o mini TTS。两个数字均由服务商公布；都不是非 Turbo 版 v4 模型的延迟数据。

这是两项独立指标。不要将它们合并为一个范围，也不要相减后推断服务商未说明的处理阶段。中位数同样无法告诉你慢请求会怎样表现。

对于实时智能体，应使用受众实际使用的网络和设备测试完整交互。听众等待的不只是语音合成：话轮检测、回答规划、传输和播放都会增加等待时间。扣除网络时间有助于单独比较基准表现，但也使数据更难代表听众的总体等待时间。

对于预先生成的 YouTube 旁白、广告或本地化视频，首字延迟很少决定最终效果。更值得听的是表达、发音、停顿以及后期剪辑是否方便。生成速度可能影响你的工作效率，却不能让平淡的演绎变得适合最终成片。

偏好率与排名声明#

ElevenLabs 的发布文章 (在新标签页中打开)称，v4 于 2026 年 9 月在 Artificial Analysis 的 Provider Voice Arena 中排名第一。这是服务商引用的历史排名。截至 2026 年 10 月 21 日，本文未独立确认其当前榜单位置。

该文章还报告，在服务商于 2026 年 9 月自行开展的盲测中，听众偏好率约为 75%。评审针对同一句话比较表现力和自然度；平局按一半计入。竞争模型包括 Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS 和 Google Gemini 3.8 Flash TTS。这是服务商开展的测试，竞争模型阵容也与延迟测试不同。它不是在 OmniArt 上测得的相对于 v3 的偏好率。

这些声明适合帮助你决定试听什么，不能代替对实际脚本的评估。即使整体朗读很流畅，读错产品名称也可能让它失去实用价值。制作本地化内容时，应请熟悉目标语言的人结合语境检查表现。本文没有进行 v4 试听测试，也不作独立质量排名。

现在如何在 OmniArt 制作配音#

截至 2026 年 10 月 21 日，OmniArt 语音模型目录与计价单位提供以下实用选择。下列上限和成本属于 OmniArt 设置，并非 ElevenLabs API 定价。

同一日期核对的语言列表中，Multilingual v2 提供 29 个语言代码及自动检测，Turbo v2.5 提供 32 个及自动检测。不要只根据脚本长度选择模型，先在选择器中确认目标语言。

按上述 2026 年 10 月 21 日的计价规则，1,000 个字符的脚本使用 v3 需 20 积分，使用 Turbo v2.5 需 10 积分。计费块向上取整：超过完整计费块后再添加文字，就会开始下一个计费块。这是单次生成的估算；额外录制版本另行计费。把实际脚本连同指导标签一起粘贴到音频模式后，查看界面显示的预估成本。

评估 v3 时，选择语音功能和模型，固定同一个声音预设，从需要明显改变表达方式的段落开始。试用以下脚本，再移除方括号中的标签，重新试听：

听听兴奋情绪是否在预期时刻出现，以及结尾轻声表达时是否仍然清晰。把中性段落放在带指导的段落旁边，这样能听到衔接，而不只是孤立的效果。每次只改动脚本中的一个部分，保留最适合剪辑的版本。

标签的位置和示例可参考 Eleven v3 音频标签指南。更完整的剪辑流程见 YouTube 视频 AI 配音教程；Free 套餐的替代选择见 MiniMax Speech 指南。如果旧教程中的上限或成本不同，以本文上方的当前数据为准。